95后清华助理教授让AI自我进化，不到半年融资4亿

出品｜虎嗅科技组

作者｜陈伊凡

编辑｜苗正卿

头图｜视觉中国

“AI原生100”是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「70」篇文章。

“数据自进化是RSI的主战场” 陈勇超说。

 27岁的陈勇超是超衍智能的创始人，也是清华人工智能学院最年轻的助理教授。

10月28日，超衍智能刚发布了首款基于RSI的35B参数模型Apex-35B-V1.0，这是一款兼顾通用能力与研究能力的模型。

超衍智能，也是目前中国为数不多获得融资并发布RSI模型的初创公司。

陈勇超本人 图片由超衍智能提供

今年9月，它完成天使轮和天使+轮融资，累计近4亿元，IDG 资本、星连资本、晶泰科技与北京、深圳、上海三地国资进场。距离其成立，仅不到半年的时间。

在和虎嗅首次交流中，陈勇超表示，这款模型最核心的特点是自进化，落在两处：训练环节自动化，AI 自己生成构造大量新数据来训自己；应用上覆盖多类 AI 场景，例如AI for AI，训练更大的模型；进入科研场景，例如自己写代码模拟气液多相流里气泡在水中的流动；还有 AI for Robot，自主开展机器人研究、构造机器人领域数据、训练机器人大模型。

RSI 的英文全称是 Recursive Self-Improvement，递归自进化，就是让 AI 自己训练自己。

过去一年，这个赛道吸引了模型领域绝大部分的融资。5月，Richard Socher 和田渊栋等人创办的 Recursive Superintelligence 获得6.5亿美元融资，估值46.5亿美元。6月，Anthropic Discovery 团队前负责人 Behnam Neyshabur 创办的 Mirendil 完成两亿美元种子轮，估值约十亿美元。OpenAI 前研究副总裁 Jerry Tworek 创办的 Core Automation，目标直接写成“全球自动化程度最高的 AI Lab”。

2025年，陈勇超在谷歌做 Auto Research，其中一个项目叫 PaperBench，要让 AI 复现经典论文的结果，但由于模型的能力还没有达到，落不了地。一直到2026年初，Claude的版本更新，使得模型能把实验完整跑完，产出人类研究员愿意看的结果，陈勇超决定开始创业。

RSI，递归自进化，这个说法出自美国AI研究者，MIRI的联合创始人 Eliezer Yudkowsky，2008年，他用它指一个闭环：AI 用现有的智能，改造产生智能的那套机制。此后十几年，它基本停在论文和论坛里，直到模型的能力冲破了RSI的边界。

决定回国前，陈勇超与海外多家大厂的相关项目做过交流， 2026年6月，超衍智能成立。

直到现在，业界对 RSI 的概念和边界一直没有定论。有认为，AI 能改训练 AI 本身的代码，甚至把下一代自己训出来，才算最狭义的 RSI了；有认为，让AI辅助自动化实验、自动化写代码就叫RSI；也有认为，RSI 算不上新东西，逻辑上和持续学习一脉相承，只是到了融资市场，需要一个更容易传播的标签。

陈勇超的定义是，让 AI 能够代替并超越各行各业的人类研究员。

不光是定义，就连路线也没有收敛。有一部分RSI实验室选择训练基础模型，还有一部分是基于工具链的改进。两种打法的钱和人都不一样。

陈勇超选择的路线是第一种，他说科研任务上那些局限，这部分如果只靠交互层、记忆、技能这些模块改不动，必须进到模型里。

不过，一家初创公司，选择训练基础模型，在资金和投入上都是莫大的勇气。

超衍智能想成为一家什么样的公司？这是这次和陈勇超交流中，虎嗅最想了解的核心问题。

陈勇超用”竞争对手“反向回答，超衍智能未来的竞争对手来自两类公司，一是做RSI的基础大模型公司，二是训练基础模型的RSI实验室。简言之，超衍智能最后的目标，是成为一家RSI基础模型公司。

这又衍生了对这家公司新的好奇。首先，模型如何能够证明其真正做到了”自进化“？验证标准是什么？如何和如今有钱有资源的基础模型公司竞争？陈勇超判断，数据自进化，将是RSI的新战场，但又如何验证AI进化出的数据正确性？当AI真的能够自我进化，这能解决哪些现在解决不了的问题？它能多大程度改变我们现在的世界？

自动化不等于自进化

虎嗅：先聊聊新发布的这款模型吧，这款模型中，自进化主要体现在哪些地方？发布之后，它会被用在哪些地方和场景？

陈勇超：Apex-35B-V1.0是超衍智能的第一个35B 模型，这个模型最核心的特点是自进化的 RSI 模型，特性主要体现在两方面。

第一是训练环节具备自动化特征，会让 AI 自动生成构造大量新数据用于自身训练，实现能力提升。

第二是应用层面可覆盖多类 AI 相关场景，典型场景为 AI for AI，即让该模型训练其他模型。比如这个35B 规模的模型甚至可以训练更大的模型，还能优化对应的 GPU kernel，可应用于科研类场景，后续 demo 会展示其在流体力学仿真研究中的能力，比如可自主编写代码模拟气液多相流环境下气泡在水中的流动变化这类流体力学典型研究场景，完成相关研究工作，另外还可应用于机器人领域，也就是 AI for Robot 方向，能够自主开展机器人领域的研究，构造机器人领域相关数据，训练机器人大模型。

虎嗅：你们是在预训练的时候加入 RSI，还是在后训练和中期训练的地方？

陈勇超：我们是在后训练和中期训练阶段加入了 RSI 相关技术，同时训练数据中也包含了大量 RSI 相关的数据。

虎嗅：后面会把RSI放到预训练吗？

陈勇超：预训练我们现在不做，但之后可能会逐步开展预训练工作。核心考量是做预训练能不能提升模型能力，能提升多少。如果现在开源模型的预训练已经做得足够好，基于它做中训练、后训练就能达到很好的效果，就没必要做预训练。如果之后发现开源模型的预训练还有很大提升空间，我们也会往预训练方向布局。

虎嗅：目前很多大模型公司也在做RSI，他们主要做哪些方向？

陈勇超：目前 OpenAI、Anthropic 发布的模型并没有直接宣称自己是 RSI 模型，这类模型本质还是通用模型，只是在训练过程中用到了一些 RSI 相关技术，比如让 AI 辅助完成自动化实验、写代码等工程类工作。还有一类产品会宣称自己是 AI for Science 通用模型，比如 Anthropic 发布的 Claude Science，本质是一个 agent，属于这类方向。目前市场上直接明确宣称自己是 RSI 模型的产品非常少。

虎嗅：所以自动化不等于RSI，那什么叫RSI？

陈勇超：自动化不等于 RSI，要实现 RSI，还需要让模型具备人类研究员的优秀科研品味，目前怎么把这种科研品味训练进模型还是待解决的问题。

虎嗅：RSI 的全称是递归自进化，递归这个词怎么理解？你自己对于 RSI 的定义是什么？

陈勇超：递归指的是让 AI 自己提升自己，也就是 AI 训练 AI 实现能力迭代。这一过程中承担训练功能的 AI，扮演的是 AI 研究员的角色。

最初这类 AI 研究员仅研究 AI 领域的科学技术，后来延伸出更广泛的概念，即 AI 研究员可以研究包括物理、数学、机器人、芯片设计在内的多领域内容。这类更广泛的能力可以叫做 AI scientist，这类概念是包含 RSI 的。

我对 RSI 的定义可以概括为，让 AI 能够代替并超越各行各业的人类研究员。

虎嗅：你们内部有没有评判标准或者指标，来判断模型是不是真的实现了自进化？

陈勇超：评判指标很简单，就是看模型自己提升了多少能力，过程中人类的参与度有多少，哪些核心环节是 AI 自主完成的，这些都一目了然。

虎嗅：你自己最关注内部的什么指标？

陈勇超：我不关注自动化的比例，更关注模型真实的科研能力提升了多少。自动化率达到80%还是90%这类指标比较虚，因为是按时间计算还是按人力投入计算，衡量标准差异很大。

虎嗅：怎么防止 RSI 模型出现自我偏离或者幻觉，如何设置约束机制和验证机制？

陈勇超：验证环节非常重要，需要有完善的验证器和验证方法，来确认模型输出是否符合目标。

我们最近发现 AI 很容易出现奖励黑客行为，就是给它设定了评判标准后，它会找一些非最优的解决方案来拿到满分，这是我们目前很困扰的问题，所以必须把验证机制设计好。

现在这些验证标准很多是人类专家制定的，之后需要让 AI 自主生成验证标准。

以最新的这款针对科研场景的模型为例，我们设置了很多基准测试指标，这些指标都是由人类研究员制定的。制定这些指标的过程比较特殊。

很多领域的评判标准，我们自己的 AI 研究员并不了解，所以我们对接了很多不同领域的专家，让各领域专家来制定评判标准，把这些标准数字化、做成可执行的验证逻辑后再用来做模型验证，这也是为什么我们会发现 AI 会钻标准的空子，有时候标准设置得有漏洞，模型只完成了80%的任务也能通过验证拿到满分，这是个很大的问题。

比如我们最近的一个 AI 科研能力测试批次里，人类专家给出研究任务和验证标准，但一开始的验证标准存在漏洞，模型实际没达到要求，也能被验证器判定为通过。

数据自进化会成为RSI的核心竞争战场

虎嗅：有一些 RSI 团队选择不训练基模。你对于训基模和不训基模是怎么考量？

陈勇超：训练基模和做智能体的成本差距非常大。但大模型行业的发展已经证明，不训练基模的话核心竞争力会非常低，只优化交互层、记忆、技能这类模块，很容易被替代。

而且从目前的模型表现来看，做科研任务还有很大的局限性，这种局限性只靠交互层、智能体层面的优化没法完全解决。我们自己实践下来，这类优化能把模型效果从10分提升到30分，但要再往上提升，就必须通过训练模型来实现。

虎嗅：你们最后选择是训练基础模型，那么超衍智能可预见的竞争对手会是哪类公司？是基础模型公司？还是做RSI的Neo Lab？或者是AI for Science里垂类模型公司？

陈勇超：首先排除AI for Science中做垂类模型的公司。除非垂类领域的公开数据极难获取，否则大模型公司很容易覆盖这类垂类场景。比如现在机器人领域就有这个趋势。Open AI推出了Astra 后，这类视觉语言模型已经可以操控机器人，得分比专门做VLA的模型还高，。

真正的竞争者会是两类。一类是 RSI 领域里需要训练基模的新实验室。另一类是上一代的，现在打算往RSI方向走，要训练科研基础模型的大模型公司。

虎嗅：怎么跟这些有资金、有用户、有卡的基础大模型公司竞争？

陈勇超：在科研仿真模型、AI 科学家仿真模型这个方向上，OpenAI 和 Anthropic 的竞争力确实非常强，他们的优势在于资源充足、建模能力和数据能力都很厉害。但在科研场景，我们还是有一战之力。中国肯定要有自己的 RSI 基模公司、AI 科研基模公司。短期内追不上 OpenAI 和Anthropic 不用焦虑，长期来看还是要争取足够资源和他们竞争。

虎嗅：模型厂商的后训练已经高度自动化，要怎么保证放在后训练的 RSI 能力不会被模型厂商内化？

陈勇超：目前通过 RSI 在中训练和后训练环节能实现部分能力提升，但没法完全实现所有目标，比如数据自进化就是很重要的方向，也是目前难度很高的方向。我判断数据自进化会成为RSI 公司的主要竞争战场。我们现在已经能实现不小比例的数据自进化，但还有很多环节需要人工参与。

虎嗅：让AI自己生成数据，难点在哪里？科研数据怎么“造”？

陈勇超：要实现这一点，不仅需要让 AI 学习各个领域人类专家的知识数据，更重要的是把专家脑海里的 know-how 都转化为可用的数字化资产。

虎嗅：这种数据获取的方式本身就很难实现规模化，要到什么时候才能实现规模化的Scaling？或者说加入了RSI，Scaling Law不重要了？

陈勇超：某种程度上还是需要做 scaling。比如几十 B 参数的模型只能支撑简单应用，参数规模不够就无法实现更强的应用能力，这是模型本质决定的，但参数 scaling 到一定程度后提升就会有限，比如参数到1T 量级就已经能支撑很多优质应用，再往上，大家比拼的核心就不再是参数 scaling 而是数据了。硬件层面的 scaling 只是路径之一，最核心的是数据的Scaling

虎嗅：数据的 scaling 要怎么理解？

陈勇超：完全依赖人类专家做标注肯定是不行的，我们要尽可能让人的参与度最小，而更多去运用AI资源。所以我们会在RSI of Data方面重点投入。

当我们的技术栈能够尽可能通过AI自己去生成高质量数据集，那这个飞轮就能转起来，数据的scalling就可能实现。

虎嗅：怎么构建这个壁垒的？

陈勇超：我们需要积累大量的专家 know-how，摸索和专家合作的模式，引导专家把经验转化为可用的数字化训练内容。这个过程中有很多繁琐的落地工作。首先要找到各个领域的专家，还要打动他们达成合作。很多行业顶尖的专家时间紧张，一开始也未必有合作意愿，需要设计合适的利益模式，还要做好不同层级专家的分工管理，比如顶尖专家、博士层级研究者……这些都是运营端的难点。

从技术层面来说也有很大挑战。不同领域有各自专属的专业软件，要把这些软件整合为标准化的、专家可以直接参与标定的工具体系，难度很高，毕竟这类数据不是问答式数据集。很多是面向研究课题的内容，怎么定义验证标准，这些问题都很有挑战。

虎嗅：你们想做面向科研场景的通用模型，但现在很多重点实验室和科研人员会使用接在 Claude 或者 GPT 上的垂类科研大模型，要怎么说服他们放弃已经在用的模型？

陈勇超：最核心的影响因素有两个。第一个也是最重要的是模型效果，第二个是成本和效率。核心就是先把模型效果做好，我们本身也具备很好的成本性价比优势。

虎嗅：现在很多实验室尤其是国家重点实验室的数据不共享，要怎么说服他们用我们的模型，同时保障数据保存在他们本地？

陈勇超：这是个非常核心的问题。之前做代码智能体的公司早就遇到过类似的问题，科研基模也面临一样的风险。但只要模型效果足够好，大家就会愿意用。我们的产品推出时会着重考虑保护用户数据安全。

先做模型，再谈生意

虎嗅：融资过程中有遇到过不 buy in 的投资人吗？他们质疑点在哪里？

陈勇超：2026年2月我遇到第一波质疑的投资人，最常问两个问题，一是怎么做商业化，二是如果 OpenAI 和 Anthropic 也做这个方向，要怎么和他们竞争。

虎嗅：当时你是怎么回答这两个问题的？半年多过去了，你的回答有变化吗？

陈勇超：我认为大模型公司在早期是没有办法确定很具体的商业化路径的，能够确认的唯一一点大模型公司最终的产品都是Token，但Token被包装成什么样的产品这个是不确定的。因为大模型的商业化很大程度上取决于模型能力水平，能力达不到的时候想出来的行业化路径基本等同于闭门造车。当模型能力到达一定能力的时候，自然会涌现出商业化路径，而这些商业化路径来自于我们的使用者。

如果过早把精力放在商业化上，会被迫去做一些偏门、不可泛化的垂类场景，没有好好打磨模型，等模型能力落后就失去竞争力掉队了。所以对初创大模型公司来说，最重要的是聚焦模型能力，商业化可以考虑大方向，但不需要投入过多精力纠结细节。

虎嗅：从你的角度看，超衍的目标之一是做具身领域的 Astra，这个说法准确吗？

陈勇超：可以这么说。我们本身是要做通用模型，能够支持多领域的 RSI 应用。具身领域的 RSI 是我们公司重点布局的方向之一。

虎嗅：那你觉得要在基模上训练出像 Astra这样的模型，大概需要多长时间？

陈勇超：我当然希望明年就能做出来，最好是明年上半年。可以朝着这个方向尝试，结果如何还不好说。

虎嗅：创业到现在，有哪些困难是你没创业之前没有预料到的？

陈勇超：首先是算力问题，之前没想到国内的算力会这么紧缺。其次是招人问题。不管在美国还是中国，做大模型方向都要招靠谱的人，不一定是最聪明的，但一定要靠谱。怎么识别靠谱的人、怎么吸引靠谱的人加入，是很有难度的事。

虎嗅：你们公司有很多来自 Kimi、Google 这些头部大模型厂商的员工。你当时是怎么吸引大家跟你一起出来创业的？

陈勇超：第一个原因是当时第一代大模型的发展路径已经比较清晰了，应用场景和技术发展都趋于平缓，行业内哪些公司能存活、哪些会掉队的格局也比较明确，到2025年这个节点，很多人愿意出来抓住下一波行业机会。

第二个也是最重要的原因，大家都很看好 RSI 方向，看好让 AI 自主开展研究这个赛道。这也是我从学界、工业界出来创业的核心原因。

第三个原因是大家觉得我比较靠谱，认为我适合做这个方向。

虎嗅：公司未来五年的目标是什么？大概多久能看到第一笔商业化进账？

陈勇超：我们的目标是不断迭代模型，让模型版本越来越新、参数规模越来越大。等到推出一个兼具充足商业价值与其他价值的模型时，就会是公司发展的一个重大里程碑。我希望这个里程碑能出现在明年或者明年早些时候。

虎嗅：目前在实现这个目标的过程中，我们面临的最大卡点是什么？

陈勇超：目前的核心难点是算力和高质量数据，这两方面的难度都不低，但也并非完全无法解决。现在公司的全部精力都投入在这两件事上，对接获取算力、自主研发制作高质量数据。

虎嗅：如果 RSI 真的改变了具身智能、物理仿真这些领域，这些行业最终会被 RSI 如何改变？

陈勇超：验证研究想法或成果时不需要通过物理实验，完全通过数字化计算就能完成迭代。比如生物医药领域需要开展临床一期、二期、三期实验验证药物效果，迭代周期很长。机器人领域，近年机器人领域最大的痛点是难以产出优质数据，现在通过基模 scaling、RSI 方法就能生成大量优质数据，具身领域的公司如果能抓住机会，利用基模的泛化能力生产数据、打造优质的 VLA，就能形成很强的竞争优势。

虎嗅：大胆想象一下，如果 RSI实现突破，世界会变成什么样子？

陈勇超：我们公司的一个长期目标，就是有一天 AI 能够替代我的工作，公司不需要我也能正常运转的时候，我们就很大程度上成功了。

虎嗅：有一天超衍做不下去或者创业失败，你觉得可能是什么原因导致的？

陈勇超：唯一可能的核心原因就是模型训练得不够好。当然，创业失败有不同的层次。有一种可以算是“不那么成功的成功”。如果未来我们自己的模型做不好，反而积累了大量数据可以对外出售，从商业角度来说这也是一种成功，但从我最初的创业初心来看，这就算是失败，因为和我原本想做的大模型事业方向不一致。

虎嗅：这算是一个“陷阱”吗？

陈勇超：现在已经有不少模型公司来找我，询问是否可以向他们出售数据。相当于我们在做模型的主路之外，出现了一条数据业务的岔路，随时可以选择转向。当然目前我还是会坚定走大模型研发的主路，后续发展还存在不确定性。